Försättsblad till skriftlig tentamen vid Linköpings Universitet

Transkript

1 Försättsblad till skriftlig tentamen vid Linköpings Universitet Datum för tentamen Sal(3) U6, U7, U10 Tid Kurskod TSFS06 Provkod TEN1 Kursnamn Diagnos och övervakning Institution ISY Antal uppgifter som ingår i 6 tentamen Antal sidor på tentamen 9 (inkl. försättsbladet) Jour/kursansvarig Mattias Krysander Telefon under skrivtid Besöker salen ca och Kursadministratör (namn+tfnnr+mailadress) Anita Petersson, , anita@isy.liu.se Tillåtna hjälpmedel TeFyMa, Beta Mathematics handbook, Physics Handbook, Reglerteknik (Glad och Ljung), Formelsamling i statistik och signalteori, miniräknare Övrigt Visning den 7 juni på Fordonssystem

2

3 Tentamen TSFS06 Diagnos och övervakning 1 juni, 2010, kl Tillåtna hjälpmedel: TeFyMa, Beta Mathematics handbook, Physics Handbook, Reglerteknik (Glad och Ljung), Formelsamling i statistik och signalteori samt miniräknare. Ansvarig lärare: Mattias Krysander Totalt 40 poäng. Preliminära betygsgränser: Betyg 3: 18 poäng Betyg 4: 25 poäng Betyg 5: 30 poäng

4

5 Uppgift 1. Betrakta ett linjärt system, där den nominella modellen är beskriven på tillståndsform där u R k, y R m och w R n. ẇ = Aw + Bu y = Cw a) Modellera sensorfel och skriv modellen på matrisform H(p)x(t) + L(p)z(t) + F(p)f(t) = 0 där x är de okända signalerna, z de kända signalerna, och f felen. Ange även dimensionen på rummet av konsistensrelationer. b) Antag det specifika systemet ẋ 1 = x 1 x 2 ẋ 2 = u y 1 = x 1 + f 1 y 2 = x 2 + f 2 Konstruera 2, oberoende, residualgeneratorer som är känsliga för varsitt fel, dvs. residual 1 är känslig endast för fel f 1 och motsvarande för residual 2. Residualgeneratorerna ska vara skrivna på tillståndsform, vara stabila, och ha pol/poler i -2. Tips: Den observerbara kanoniska formen för systemet där G(p) = 1 [ b1 (p)... b m (p) ], a(p)r(t) = b 1 (p)z 1 (t) + + b m (p)z m (t) a(p) a(p) = p n + a 1 p n a n 1 p + a n b i (p) = b i,1 p n b i,n 1 p + b i,n är a a ẇ =... w + a n a n r = ( ) w b 1,1... b m,1 b 1,2... b m,2. b 1,n 1 b 1,n. z... b m,n 1... b m,n (3 poäng) c) Avgör huruvida de två felen är starkt eller svagt detekterbara i modellen respektive huruvida felen är starkt eller svagt detekterbara i respektive residual som konstruerades i b-uppgiften. 1

6 Uppgift 2. Betrakta beslutsstrukturen nedan med 5 olika test som övervakar 4 komponenter A, B, C, och D. A B C D T 1 X X T 2 X X T 3 X X T 4 X T 5 X X X Varje komponent kan vara i mod OK eller OK. a) Antag att test T 1 larmar, uttryck i logiknotation den konflikt som genereras. (1 poäng) b) Antag att alla 5 testerna reagerar, beräkna mängden av minimala diagnoser. c) Beskriv enkelfelsisolerbarheten hos diagnossystemet i a-uppgiften via en isolerbarhetsmatris. d) Ange ett tillräckligt villkor på en modell för att de minimal diagnoserna ska representera mängden av alla diagnoser. Beskriv även hur de minimala diagnoserna representerar alla diagnoser. Uppgift 3. Betrakta det olinjära systemet ẋ = x + θu y = x, x 0 Detta kan tänkas representera ett flödessystem där en pump, med styrsignal u, genererar ett inflöde, en nivå x i en behållare, och ett utflödet som är lika med x. Slutligen så mäter vi utflödet. a) Antag att pumpeffektiviteten är känd, dvs θ = θ 0 där θ 0 är en känd konstant. Härled en konsistensrelation och teckna en residual som kan detektera fel i sensorer och läckage i systemet. Antag att derivator av kända signaler kan skattas med hög noggrannhet. b) Antag att man vill isolera ett fel i sensorn från en konstant, eller mycket långsam, förändring i pumpeffektiviteten θ. För detta, härled en konsistensrelation som avkopplar konstanta förändringar i θ. (3 poäng) c) I a-uppgiften antogs att derivator av kända signaler kunde skattas och därmed antas kända. Betrakta nu igen a-uppgiften då sensorer har signifikant med brus och derivator ej längre kan antas kända. Härled en residualgenerator på tillståndsform, baserad på konsistensrelationen i a-uppgiften, där derivator ej behövde skattas. Uppgift 4. Antag en residual r i som i det felfria fallet är normalfördelat vitt brus med väntevärde 0 och standardavvikelse σ = σ 0. När ett fel inträffar hoppar residualens standardavvikelse till σ = σ 1. Parametrarna σ 0 och σ 1 σ 0 är kända konstanter. För att upptäcka hoppet i standardavvikelse har tre algoritmer implementerats, GLR, en CUSUM baserad på log-likelihoodkvoten och en CUSUM baserad direkt på residualen. Formlerna för de tre algoritmerna beskrivs nedan och refereras i fortsättningen I, II och III. För att utvärdera och jämföra hur bra algoritmerna är har de testkörts på simulerade data med hopptidpunkt 200s. De 3 resulterande teststorheterna visas i figurerna 1 och 2. I simuleringarna har teststorheterna normaliserats så att sannolikheten för att överskrida 1 då σ = σ 0 är 1%. Uppgiften är 3-delad: 1) Ange för varje formel I-III, vilken av de tre specificerade algoritmerna som den beskriver. 2) Beskriv för varje algoritm vilken statistisk information som utnyttjas om residualen dels under nollhypotesen samt dels under mothypotesen. 2

7 3) Ange för varje graf A-C, vilken algoritm som har använts för att generera grafen. För att få poäng krävs motivering. Algoritmerna har implementerats enligt följande formler. Låt S k j (σ) = k i=j log f(r i σ) f(r i σ 0 ) där f är täthetsfunktionen för en normalfördelning med väntevärde 0 och standardavvikelse specificerad av argumentet (betingningen). Algoritm I definieras som: Algoritm II beräknas enligt: g I k = max( max 1 j k Sk j (σ 1 ), 0) g0 II = 0, gk II = max(gk 1 II + r k E( r k σ = σ 0 ) + E( r k σ = σ 1 ), 0) för k > 0 2 Algoritm III beräknas som: g III k = max 1 j k max ˆσ 1 S k j (ˆσ 1) (5 poäng) 12 A B C 10 Normaliserade teststorheter Tid t Figur 1: Resultatet av de tre algoritmerna för det simulerade fallet. Vid tidpunkt 200 inträffar hoppet i standardavvikelse. 3

8 1 0.9 A B C Normaliserade teststorheter Tid t Figur 2: En inzoomning av teststorheterna i figur 1 innan hoppet sker. Uppgift 5. Figur 3 visar en skiss av en luftbälg till luftfjädringen av en lastbil. Luftbälgen har en höjd ζ, ett tryck p och en volym V (p, ζ) som beror av höjden och trycket i bälgen. Bälgen belastas av kraften M g där M är massan av det som belastar bälgen och g gravitationskonstanten. Bälgen genererar en uppåtriktad kraft F b (p, ζ) som beror på trycket och höjden i bälgen. Luftmassan i bälgen m kan höjas genom att öppna en av signalen u 1 styrd ventil ansluten till en matningspump eller sänkas genom att släppa ut luft till omgivningen genom att öppna en ventil styrd av signalen u 2. Det finns två givare, en för trycket p och en för höjden ζ. Mätsignalerna kallas för y 1 respektive y 2. Mg ζ V,p Ambient Pressure Feed Pressure Figur 3: Principskiss av en luftbälg. En modell av systemet är: M ζ = Mg + F b (p, ζ) µ ζ + f 1 (1) pv (p, ζ) = mrt + f 2 (2) ṁ = u 1 g 1 (p) + u 2 g 2 (p) + f 3 (3) y 1 = p + f 4 (4) y 2 = ζ + f 5 (5) där µ är en dämpningskoefficient för bälgen, R är gaskonstanten och T temperaturen på luften i bälgen. Vi antar att M, g, µ, R, och T är kända konstanter, F b, V, g 1, och g 2 är kända olinjära funktioner, ζ, p, och m är okända signaler och u 1, u 2, y 1 och y 2 kända signaler. 4

9 I exemplet betraktas additiva felsignaler f 1,..., f 5 i samtliga ekvationer. I föreläsning 7 togs två residualgeneratorer fram med följande felkänslighet: NF F 1 F 2 F 3 F 4 F 5 r X X X X r 2 0 X X X X 0 Er uppgift är att, till residualgeneratorerena r 1 och r 2, lägga till residualgeneratorer så att maximal enkelfelsisolerbarhet uppnås för det resulterande diagnossystemet. För observatörslösningar behövs inte stabiliserade återkopplingar beräknas men observerbarheten av de system som observatörer baseras på måste troliggöras. För konsistensrelationsbaserade lösningar kan ni anta att förstaderivator av de kända signaler går att skatta men inte högre ordningens derivator. Motivera om det finns enkelfel som inte går att isolera från varandra. Slutligen får ni anta att det går att lösa ut p ur x = pv (p, ζ) som funktion av x och ζ, dvs det existerar en funktion h så att p = h(x, ζ). (6 poäng) Uppgift 6. Syftet med ett collision avoidance -system i personbilar är att automatiskt bromsa fordonet för att förhindra eller mildra en kollision. Systemet får bara aktiveras om föraren ej längre har möjlighet att undvika kollision genom antingen inbromsning eller väjning. I den här uppgiften antas att hindren är stationära. Omfattande studier visar att föraren inte kan förhindra kollision då s v < t 0 = 0.8s där v är fordonets hastighet och s avståndet till hindret. Modellen är giltig om hastigheten v 3m/s. En tolkningen av villkoret är att bilen kolliderar med hindret inom 0.8s givet att bilen forsätter med konstant hastighet v. De givare som finns tillgängliga är en frontplacerad radar y 1 som mäter avståndet till framförvarande hinder och en hastighetsmätare y 2. Givarna modelleras som y 1 = s + ξ y 2 = v där ξ N(0, σ 2 ). Det är oerhört viktigt att den automatiska inbromsningen inte slås på om föraren själv kan undvika kollision. Därför finns det ett krav på collision avoidance -systemet att sannolikheten för att den automatiska inbromsningen aktiveras givet att föraren kan förhindra kollision högst får vara p = a) Funktionen ska implementeras som ett test baserat på data från endast en tidpunkt av y 1 och y 2 följt av en åtgärd baserad på utfallet av testet. Formulera ett test, med nollhypotesen och alternativhypotesen beskriven både i text och med formler, en teststorhet och en tröskel vald så att kravet är uppfyllt och som dessutom minimerar sannolikheten för kollision, samt en beskrivning av åtgärderna vid larm respektive icke-larm. Tröskeln ska tecknas med hjälp av F(x) som antas vara den kumulativa fördelningsfunktionen för en normalfördelning med väntevärde 0 och varians 1. (5 poäng) b) För vilka hastigheter v 3m/s reducerar systemet sannolikheten för kollision med minst 50% om bilens retardation antas vara konstant 7 ms 2 under hela inbromsning och σ = 0.3m. (3 poäng) 5